科普：LLM领域中的“样本（sample）”、“指令（instruction）”和“提示词（prompt）”
在LLM领域，有“样本（sample）”、“指令（instruction）”和“prompt（提示词）”，你清楚它们的区别吗？
一、指令（instruction）与样本（sample）
在LLM（大语言模型）的训练与微调场景中，“指令（instruction）”和“样本（sample）”是包含与被包含的关系，且二者的定位、结构、作用完全不同：
- 样本是LLM学习的“完整数据单元”（相当于“一本教材里的一页内容”），包含模型学习所需的全部信息（如任务描述、输入、预期输出）；
- 指令是样本中引导模型理解“做什么任务”的“核心字段”（相当于“这一页内容里的‘任务标题’”），是样本的关键组成部分，但不是样本的全部。
1、核心关系：指令是样本的“关键组件”
在LLM的微调（尤其是指令微调）场景中，“样本”通常是结构化的数据单元，而“指令”是这个单元中用于明确“任务目标”的核心字段。
简单说：几乎所有“指令微调样本”都包含“指令”，但“样本”还会包含其他辅助模型学习的信息（如输入内容、预期输出）。
以LLM领域最经典的指令微调数据集（如Alpaca、ShareGPT）为例，一个标准的“指令微调样本”结构通常如下：
{"instruction": "将一段英文翻译成中文", // 指令：明确任务目标"input": "LLMs have revolutionized natural language processing.", // 输入：任务所需的原始内容（可选，部分任务无输入）"output": "大语言模型彻底改变了自然语言处理领域。" // 输出：任务的预期正确结果（监督信号）
}
从这个结构可见：
- “指令”是样本的核心引导部分，告诉模型“要执行什么任务”（翻译、总结、写代码等）；
- “样本”是包含“指令+输入+输出”的完整数据单元，为模型提供“任务描述→输入内容→正确结果”的全链路学习信息。
2、具体差异对比：从定义到作用
为了更清晰区分，我们从6个关键维度对比“指令”和“样本”：
| 对比维度 | 指令（instruction） | 样本（sample） |
|---|---|---|
| 1. 定义本质 | 任务描述语言：明确模型需要执行的“任务类型”（如翻译、总结、推理），是“做什么”的指令。 | 完整数据单元：包含“任务描述+输入内容+预期输出”的结构化数据，是模型学习的“最小素材单元”。 |
| 2. 结构复杂度 | 单一字段：仅包含任务目标描述，通常是1-2句话（如“总结文本核心观点”）。 | 多字段组合：通常包含instruction（指令）、input（输入）、output（输出），部分还含system prompt（系统提示）。 |
| 3. 作用定位 | 引导任务理解：告诉模型“任务是什么”，是模型解析任务意图的关键依据。 | 提供监督信号：通过“输入→输出”的映射关系，让模型学习“如何完成任务”（即任务逻辑）。 |
| 4. 存在场景 | 仅存在于“指令微调”相关的样本中（无指令的样本无需此字段，如无监督预训练的文本样本）。 | 覆盖LLM全训练流程：包括预训练样本（如海量无标注文本）、微调样本（如指令微调样本、对话微调样本）。 |
| 5. 数据关联性 | 单一指令无法独立让模型学习（需搭配输入和输出），关联性弱。 | 样本是独立的学习单元，模型可通过单一样本学习“输入→输出”的对应关系，关联性强。 |
| 6. 典型示例 | - “写一个Python函数计算阶乘” - “总结以下新闻的核心事件” | - 指令微调样本：{"instruction": "翻译英文", "input": "Hi", "output": "你好"} - 预训练样本： "自然语言处理是人工智能的重要分支..."（无指令） |
3、不同训练阶段的“样本”与“指令”关系
LLM的训练分为“预训练”和“微调”两个核心阶段，不同阶段的样本是否包含“指令”有显著差异，这也进一步体现了二者的关系：
1. 预训练阶段：样本无“指令”
预训练的目标是让模型学习通用语言规律（如语法、语义、常识），使用的是无标注的海量文本样本（如维基百科、书籍、网页文本），这类样本无需“指令”——因为模型不需要执行特定任务，只需“阅读”文本学习语言本身。
- 例：预训练样本可能是一段关于“光合作用”的百科文本，模型仅需学习“光合作用”的定义、过程等信息，无需执行“总结”“翻译”等任务，因此样本中没有“指令”字段。
2. 微调阶段：部分样本含“指令”
微调的目标是让模型适配特定任务（如对话、翻译、代码生成），使用的是有标注的任务导向样本。其中，“指令微调”是最常见的微调方式，其样本必须包含“指令”；而其他类型的微调（如“对话微调”）的样本，可能以“对话历史”替代显式的“指令”，但本质仍隐含任务意图。
- 指令微调样本（含指令）：如Alpaca数据集的样本，显式包含
instruction字段，模型通过“指令+输入→输出”学习任务逻辑（如“根据指令翻译输入文本，生成输出”）。 - 对话微调样本（隐含指令）：如ShareGPT数据集的样本，结构是“用户轮次→助手轮次”的对话历史（如
[{"role":"user","content":"推荐一部科幻电影"}, {"role":"assistant","content":"《星际穿越》..."}]）。这里没有显式的“指令”字段，但“用户轮次的内容”（如“推荐电影”）本质是“隐含指令”，引导模型生成“助手轮次的输出”。
二、指令（instruction）与prompt（提示词）
在LLM领域，“指令（instruction）”和“prompt（提示词）”有密切关联，但核心区别在于应用场景、目的和角色。简单来说：
- 指令是模型“学习阶段”的“教材内容”，用于微调模型，让模型理解“如何遵循任务描述”；
- prompt是模型“使用阶段”的“用户输入”，用于触发模型的具体响应，是用户与已训练好的模型交互的工具。
具体区别对比
| 维度 | 指令（instruction） | Prompt（提示词） |
|---|---|---|
| 应用阶段 | 模型微调（训练阶段） | 模型推理（使用阶段） |
| 核心目的 | 让模型学习“理解任务描述并执行”的能力（提升泛化性） | 引导已训练好的模型生成符合用户需求的输出 |
| 存在形式 | 作为微调数据集的结构化字段（如instruction字段） | 用户实时输入的自然语言文本（灵活无固定格式） |
| 与模型的关系 | 用于“教模型规则”，影响模型的底层能力 | 用于“用模型能力”，依赖模型已有的规则理解 |
| 典型场景 | 微调数据集中的“写一篇关于环保的短文” | 用户实际输入的“帮我写一篇环保主题的短文，重点讲塑料污染” |
举例说明两者的差异
1. 指令（instruction）的例子（微调数据中）
假设某微调数据集里有一条样本：
instruction（指令）：“将一段英文翻译成中文”input（输入）：“Hello, how are you?”output（预期输出）：“你好，你怎么样？”
这里的“将一段英文翻译成中文”是指令，用于在微调时教模型：当遇到“翻译英文到中文”的任务描述时，应该如何处理输入并生成输出。模型通过数百万条类似的指令样本学习后，会掌握“遵循翻译类任务描述”的能力。
2. Prompt（提示词）的例子（用户使用时）
当模型完成微调后，用户实际使用时输入：
“请把这句话翻译成中文：‘I love machine learning because it can solve complex problems.’ 翻译得口语化一点。”
这里的整段话是prompt，它不仅包含了“翻译”的任务要求（类似指令），还增加了“口语化”的额外约束，以及具体的输入内容。模型会基于之前通过指令微调学到的“翻译能力”，结合prompt中的具体要求，生成对应的输出。
关键联系
指令微调的本质是“让模型更好地理解prompt”。通过大量指令样本训练后，模型能更精准地解析用户prompt中的任务意图（比如从prompt中识别出“翻译”“总结”“写代码”等任务），从而生成更符合需求的输出。
简单说：指令是“教模型听懂话”的教材，prompt是“用模型听懂的话”来提需求。